图上的半监督学习是机器学习领域中的一个重要问题。近年来，基于图神经网络（GNN）的最新分类方法已显示出其优于传统方法（如标签传播）的优势。但是，这些神经模型的复杂体系结构将导致复杂的预测机制，该机制无法充分利用数据中的宝贵先验知识，例如，结构相关的节点往往具有相同的类别。在本文中，我们提出了一个基于知识提炼的框架来解决上述问题。我们的框架提取了任意学习的GNN模型（教师模型）的知识，并将其注入精心设计的学生模型中。学生模型是通过两种简单的预测机制构建的，即 标签传播和特征转换，自然分别保留了基于结构和基于特征的先验知识。具体来说，我们将学生模型设计为参数化标签传播和特征转换模块的可训练组合。结果，学习的学生可以从先验知识和GNN教师的知识中受益，以获得更有效的预测。此外，与GNN相比，学习型学生模型具有更可解释的预测过程。我们在五个公开基准数据集上进行了实验，并采用了七个GNN模型（包括GCN，GAT，APPNP，SAGE，SGC，GCNII和GLP）作为教师模型。实验结果表明，学习型学生模型平均可以持续优于其相应的教师模型1.4％-4.7％。代码和数据可在https：// github上获得。



"点击查看英文标题和摘要"